Breve Resumo de BI

Prévia do material em texto

Resumo 
 
Este documento trata do conceito, técnicas e tecnologias relacionadas ao 
Business Intelligence. Após uma introdução aos conceitos e há um pouco da história 
do Business Intelligence no primeiro capítulo, são explorados as técnicas e 
tecnologias do capítulo 2 ao 4. 
No capítulo 5, chegamos à tendência atual do Business Intelligence que é o 
chamado Self-Service BI. 
 No sexto e último capítulo é apresentada uma conclusão, levando em 
consideração as perspectivas tecnológicas e gerenciais. 
 2 
Sumário 
 
 
1- Introdução ..................................................................................... 3 
1.1 - Um pouco da história e conceitos de Business Intelligence ..................... 3 
2 - Data Mining ................................................................................ 7 
2.1 - Definição.................................................................................. 7 
2.2 - Etapas do processo..................................................................... 7 
2.2.1 - Setup das bases de dados........................................................ 8 
2.2.2 - Mineração dos dados .............................................................. 8 
2.2.3 - Validação dos resultados ......................................................... 8 
2.3 - Data Minings e sua aplicabilidade em BI............................................ 9 
3 - Data Warehouse ............................................................................10 
3.1 - O que é?.................................................................................10 
3.3 - Processos ...............................................................................12 
3.4 - Vantagens e Desvantagens ..........................................................13 
4 – OLAP.........................................................................................15 
4.1 – Definição ................................................................................15 
4.2 – Conceito.................................................................................15 
4.2.1 – Cubo ................................................................................16 
4.2.2 – Dimensão ..........................................................................16 
4.2.3 – Medidas ............................................................................17 
4.3 - Por que é tão rápido? .................................................................17 
4.4 - Arquitetura...............................................................................17 
4.4.1 – MOLAP .............................................................................18 
4.4.2 - ROLAP ..............................................................................19 
4.4.3 – HOLAP .............................................................................19 
5 - Self-Service BI ..............................................................................20 
5.1 – Motivação ...............................................................................20 
5.2 - Os prós e contras ......................................................................21 
6 – Conclusões..................................................................................23 
7- Referências...................................................................................24 
 3 
1- Introdução 
 
 
1.1 - Um pouco da história e conceitos de Business Intelligence 
 
Uma definição formal e simples de Business Intelligence (BI) seria a seguinte: 
 
BI é o conjunto de técnicas que utilizam Tecnologia da Informação para 
auxiliar na tomada de decisão. Este conjunto de técnicas tem como objetivo a 
análise e mineração de dados, assim como gestão de desempenho e benchmarking. 
 
Na prática, para entender Business Intelligence e suas aplicações, 
precisamos entender a tomada de decisões. Numa empresa, decisões de negócio 
precisam ser tomadas a todo instante para assegurar a presença da mesma no 
mercado. Tais decisões são tomadas mediante a um contexto de negócio, que nada 
mais é do que o contexto interno e externo (mercado) da empresa. 
É importante salientar que decisões de negócio possuem um forte fator 
humano envolvido e isso torna o processo de tomada de decisões menos 
determinístico. Com isso podemos concluir que pessoas tomam decisões, e não 
sistemas. 
Sun Tzu, em seu livro A Arte da Guerra, diz que para vencer a pessoa deve 
deter todo o conhecimento de suas fraquezas e virtudes e, além de tudo, as 
fraquezas e virtudes de seu inimigo. A falta deste conhecimento pode resultar na 
derrota. Trazendo este conceito para o mundo dos negócios, uma empresa precisa 
ter conhecimento de suas capacidades, suas fraquezas, as tendências de mercado 
e, além disso, o conhecimento sobre as empresas competidoras. 
No processo de aquisição deste conhecimento, surgem questões pertinentes 
ao contexto de mercado, úteis para as tomadas de decisão. Quais são as 
necessidades de nossos clientes? Qual é a demanda deles? O que fazemos certo? 
Em que pontos deixamos os clientes desejando? O que outras empresas estão 
fazendo parar solucionar questões recorrentes? Estas são algumas das perguntas 
que precisam ser respondidas para importantes tomadas de decisão, como 
balanceamento de produção, evolução de produtos e mudança de estratégia de 
marketing, entre outras. 
Como mencionado anteriormente, pessoas tomam decisões. Mas baseado no 
que se faz uma boa decisão? Informação. 
 4 
Por toda a história, a informação foi usada pelo homem para propagar o 
conhecimento, aprender e manter registro de fatos. Em suma, a informação é usada 
pra encontrar respostas para questões que levam o homem a uma melhor 
compreensão do mundo a sua volta. 
Então, informação é sobre respostas e respostas permitem que pessoas 
tomem decisões. E como empresários conseguem informação? De dados. 
Estes provêem informações capazes de responder à perguntas como as 
anteriormente citadas, têm muito valor e são preciosos, logo precisam ser 
guardados. 
Antes da década de 60, dados eram guardados em gabinetes de arquivos. 
Esses passaram a ser guardados em formatos de mídia como disquetes, com o 
advento dos computadores. 
Ambas as abordagens supracitadas (gabinete e mídia) eram arriscadas e 
difíceis de gerenciar. Em 1969, Edgard Codd inventou o banco de dados, fato que 
revolucionou a maneira como dados eram armazenados. Porém, para popular um 
banco de dados era necessária muita experiência e especialização. 
O mundo dos negócios precisava de um modo mais fácil de popular um banco 
de dados. Devido a essa grande demanda, meios foram criados para ficar entre o 
usuário e o banco de dados, provendo o poder de inserção de dados. Estes meios 
sugiram na década de 1970 e eram chamados de Aplicações de Negócio. 
Então bancos de dados vieram como uma solução para o problema de 
armazenamento de dados e as aplicações de negócio vieram como uma maneira 
mais fácil de inserir dados em um banco de dados. Mas e como fica o acesso? Uma 
primeira abordagem para tentar facilitar o acesso aos dados foi a da geração de 
relatórios. A primeira tentativa acabou por não dar muito certo. Relatórios eram 
unidimensionais e havia um outro problema emergente: a fragmentação de dados. 
Extrair dados de um banco ainda era uma tarefa difícil por que esses vinham 
de múltiplas fontes. Uma empresa geralmente possui várias Aplicações de Negócio, 
gerindo dados de diferentes contextos. Integrar tais fontes de dados não era um 
processo simples. Eis que no início da década de 1980 surgiram os Data 
Warehouses, que traziam uma solução para a fragmentação dos dados. 
Os Data Warehouses tornaram o acesso e a gerência dos dados mais fácil. 
Com dados acessíveis e bem gerenciados eles podiam ser bem servidos Com isso 
inicio-se o consumo dos mesmos em grande escala. 
 5 
Em 1981 o termo Business Intelligence foi inventado por Howard Dresner, 
como um termo descrito como "conceitos e métodos para melhorar a tomada de 
decisãode negócio utilizando sistemas de suporte baseados em fatos". 
Na época, ferramentas de BI podiam gerar relatórios e analisar dados. Com o 
passar do tempo novas ferramentas foram surgindo e a demanda de dados 
crescendo. Com o crescimento da demanda, começou a necessidade de adquirir 
dados mais rapidamente e, neste ponto, Business Intelligence tornou-se também 
uma questão de desempenho. 
Com o advento da internet, o número de fontes de informação passou a 
crescer rapidamente. Com novas fontes, empresas queriam mais dados e os 
queriam na mesma velocidade. Os anos de 1990 trouxeram mais ferramentas de BI 
que proviam mecanismos para consulta, relatórios, análise e apresentação de 
dados. Contudo, elas ainda não funcionavam bem, pois a maior parte da informação 
acabava em tabelas Excel, que não traziam uma boa maneira de apresentar os 
dados. 
Eventualmente, as ferramentas de BI trouxeram um novo desafio: 
a consistência. As ferramentas facilitaram o acesso e este abriu caminho para 
múltiplas versões de dados, introduzindo mais um desafio para a gerência dos 
dados. 
As ferramentas existentes eram muito caras e difíceis de manter. Isto levou os 
desenvolvedores de ferramentas de BI a buscar maneiras de adicionar 
funcionalidades à custos reduzidos. Foi neste ponto que as plataformas de BI 
começaram a surgir e com isso, vieram às aquisições das empresas 
desenvolvedoras, que acabaram nas mãos de grandes empresas da área de TI 
como Oracle, SAP, IBM e Microsoft. 
Agora, existiam mais ferramentas e mais funcionalidades. Business 
Intelligence estava consolidado no mercado e tornou-se uma prioridade para o 
mundo dos negócios. 
Ainda assim, havia algo errado. As pessoas de negócio ainda não 
conseguiam obter respostas para suas decisões. O problema não eram as pessoas, 
mas sim as pessoas acessando os sistemas de BI. 
O problema era que as ferramentas não eram intuitivas, logo o acesso a elas 
era difícil. Quando pessoas de negócio têm problemas com sistemas elas chamam 
 6 
quem os mantém: o departamento de TI, desviando-os de suas tarefas de 
desenvolvimento para prestar suporte ao usuário. 
Business Intelligence, neste ponto, tornou-se uma questão de usabilidade. 
Era sobre transformar os dados em formatos que pudessem ser facilmente 
consumidos por pessoas de negócio, justamente por que são eles quem precisam 
dos dados. BI precisava ser focado nas pessoas, porque pessoas tomam decisões. 
O novo desafio do Business Intelligence agora é tornar o acesso aos dados 
mais amigável. 
 7 
2 - Data Mining 
 
2.1 - Definição 
 
Tomando-se por base a conjuntura do mundo contemporâneo, onde tem-se 
um enorme volume de dados em crescimento exponencial, faz-se claramente 
indispensável a utilização de algum recurso que possibilita aos interessados obter o 
máximo proveito de toda esta informação. Surge daí um dos principais “pilares” do 
processo de Business Intelligence: O Data mining. 
De acordo com Usama Fayyad, Ph.D. em Ciência da Computação pela 
Universidade de Michigan, Data Mining (ou Mineração de dados) assim pode ser 
definida: 
 
 “Data Mining é o processo não-trivial de identificar, em dados, padrões válidos, 
novos, potencialmente úteis e, por fim, compreensíveis.” 
 Fayyad (1996) 
 
Em outras palavras, trata-se de um processo analítico de dados, com vasta 
utilização de técnicas de estatística, inteligência artificial, recuperação da informação 
e reconhecimento de padrões, que objetiva delinear (evidenciando ou extraindo tais 
padrões) estruturas de conhecimento, de modo a conduzir, do melhor modo 
possível, as decisões de negócio. 
 
 
2.2 - Etapas do processo 
 
Pode-se dizer que o processo de Data Mining consiste de três etapas: setup 
das bases de dados, mineração dos dados e validação dos resultados. 
Segue abaixo, uma melhor explicação de cada uma destas etapas. Este 
artigo não irá aos pontos mais fundos destes conceitos por se tratar de um artigo 
sobre Business Intelligence, e não estruturas de banco de dados e afins. 
 
 
 8 
2.2.1 - Setup das bases de dados 
 
 Primeiramente, é necessário, no processo de Data Mining, a seleção de uma 
amostra de dados, que venham a ser limpas e “pluralizadas”. Entenda-se por 
limpeza a manutenção da consistência dos dados, preenchimento de informações, 
remoção de redundâncias, entre outros; e por “pluralização” o ato de valorizar os 
dados genéricos em detrimento dos dados mais específicos (uma vez que dados 
específicos têm um padrão muito pontual, que não pode ser compartilhado). 
Daí, tem-se o surgimento dos Data Warehouses. Pode, ainda, ocorrer a 
criação de um conjunto de treino (da rede neural do Data Mining) e um conjunto de 
testes, para verificação da precisão dos algoritmos. 
 
 
2.2.2 - Mineração dos dados 
 
Nesta fase, utilizam-se algoritmos de clusterização, classificação, regressão e 
associação, de modo a efetuar o agrupamento de dados de certa forma similares, 
verificando o padrão que seguem, e o relacionamento entre suas variáveis. 
 
 
2.2.3 - Validação dos resultados 
 
Nesta etapa, observa-se se os padrões encontrados na amostra selecionada 
podem ser extrapolados para um conjunto maior de dados no qual se esteja 
interessado, o que não necessariamente irá ocorrer. Sendo este o caso, deve-se 
reavaliar a eficácia da etapa de setup. 
Tendo as etapas acima sido cumpridas com sucesso, o processo de data 
mining agora torna possível uma análise e interpretação muito mais eficiente dessas 
informações. Após tanto, pode-se dizer que uma enorme massa de dados tornou-se 
conhecimento, chave para decisões bem tomadas. 
 
 
 9 
2.3 - Data Minings e sua aplicabilidade em BI 
 
Conhecimento é poder. Assim sendo, tendo em mãos os resultados (válidos) 
de um data mining, empresas podem focar melhor seus “ataques” comerciais, por 
exemplo. Imaginemos um mercado que possua um site com suas promoções. A 
partir do conhecimento gerado pelo data mining, o mercado pode ver, por exemplo, 
que sexta-feira é o dia em que mais se vende um dado produto, como cerveja, e dar 
um destaque maior a isto. Pode ainda, classificando seu público-alvo, verificar que 
tipo de produto apetece a que tipo de pessoa, dentre outras infinitas possibilidades. 
Pode-se ainda verificar sua aplicabilidade em evidenciar uma nova tendência 
de mercado, como, por exemplo, a queda no interesse de adultos do sexo masculino 
entre 22 e 40 anos por desktops, e aumento no interesse por portáteis. 
As possibilidades são infinitas, sendo este, portanto, um investimento de 
retorno praticamente garantido. 
 
 10 
 
3 - Data Warehouse 
 
3.1 - O que é? 
Surgido no final da década de 80 como um conceito criado por pesquisadores 
da IBM, os Data Warehouses tornaram-se possíveis com o avanço dos sistemas de 
informações mais robustos juntamente com o aumento da necessidade de análise 
de dados. Uma breve definição seria: 
 
 O Data Warehouse (DW) representa o armazenamento de dados relativos às 
atividades de uma organização em um sistema de informação, cujo objetivo será 
auxiliar a tomada de decisões de maneira segura e rápida. 
 
Sistemas tradicionais não conseguiam cumprir o objetivo de análise dos 
dados com a simples geração de relatórios. Assim, a demanda por melhores 
ferramentas para auxílio abriu portas para que a implementação de Data 
Warehouses virassem realidade. Devido à possibilidade de manipular e analisar 
grandes volumes de dados, o Data Warehouse, hoje, é o principal responsável pelo 
apoio às decisões das principais soluções de Business Intelligence do mercado. A 
ferramenta mais popular para exploração de um Data Warehouse é a Online 
Analytical Processing (OLAP), mas muitas outras podem ser usadas. 
Data Warehousing consiste em organizar informações corporativas de 
maneira confiável, consolidada, única e integrada. Permitindo que decisões sejam 
tomadas embasadas em fatos concretos e não em intuições, cruzando informações 
de diversas fontes, agilizando o processo e diminuindoos erros. 
 
 
3.2 – Características 
 
A primeira característica é ser orientado a assunto, ou seja, estará orientado 
ao redor do principal assunto da organização. Em contra-partida, o ambiente de 
negócio é organizado por aplicações funcionais, uma organização bancária terá 
aplicações para empréstimos, investimentos e seguros. 
 11 
Outra característica, talvez a mais importante, é o fato que um DW deve ser 
integrado. A integração mostra-se em diferentes maneiras como na convenção 
consistente de nomes, na forma consistente das variáveis, na estrutura consistente 
de códigos, nos atributos físicos consistentes dos dados, por assim se dizer, na 
uniformidade da informação. 
O Data Warehouse é, também, não-volátil. Permitindo apenas a carga inicial 
dos dados e consultas a estes dados. Após serem integrados e transformados, os 
dados são carregados em bloco, para que estejam disponíveis aos usuários. No 
ambiente operacional, ao contrário, os dados são atualizados registro a registro, em 
múltiplas transações. Essa volatilidade requer um trabalho considerável para 
assegurar integridade e consistência através de atividades de rollback, recuperação 
de falhas, commits e bloqueios. Não é requerido esse grau de controle dos sistemas 
orientados a transações. 
Deve ser variante no tempo. Significa que o dado em um DW representa 
algum momento especifico, ou seja, ele não é atualizável, ao passo que o dado em 
ambiente de produção é atualizado de acordo com mudanças de estado. A cada 
ocorrência de uma mudança, uma nova entrada é criada, para marcar esta 
mudança. 
 
 12 
 
3.3 - Processos 
 
Sistemas operacionais de origem – Aplicações de negócio que capturam as 
transações da empresa. Estes devem ser considerados como externos ao DW, pois 
se presume que tenha pouco ou nenhum controle sobre o conteúdo e o formato dos 
dados. Os sistemas de origem também são chamados Sistemas Legados ou OLTP 
(Online Transaction Processing). 
Data Staging Area – É tanto uma área de armazenamento como um conjunto 
de processos, normalmente denominada de ETL (Extract – Transformation - Load). 
Data Warehouse/Data Mart – A área de apresentação dos dados é o local em 
que os dados ficam organizados, armazenados e tornam-se disponíveis para serem 
consultados diretamente pelos usuários para a aplicação de análise. Um Data Mart 
trata de problema departamental ou local e é definido como um subconjunto 
altamente agregado de dados, normalmente escolhido para responder a uma 
questão de negócio específica ao invés da corporação inteira. 
 13 
Ferramenta de Acesso a Dados – O último componente principal do ambiente 
de Data Warehouse é a ferramenta de acesso a dados. Por definição, toda 
ferramenta de acesso a dados consulta os dados na área de apresentação do DW. 
 
 
3.4 - Vantagens e Desvantagens 
• Vantagens: 
o Um Data Warehouse fornece um modelo de dados comum para todos 
as informações de interesse, independentemente da fonte dos dados. 
Isto facilita quando há a necessidade para relatar e analisar as 
informações. 
o Antes de carregar os dados, as inconsistências são identificadas e 
resolvidas. Simplificando bastante a elaboração de relatórios e análise. 
o As informações estão sob o controle de usuários do DW, para que, 
mesmo se os dados do sistema-fonte é removida ao longo do tempo, 
as informações do armazém podem ser armazenadas com segurança 
por períodos prolongados de tempo. 
o Como são separados dos sistemas de negócios, Data Warehouses 
recuperam dados sem prejudicá-los. 
o Podem trabalhar em conjunto com aplicações de gestão de 
relacionamento com clientes (CRM), aumentando o valor das 
aplicações de negócio. 
o Facilitam os pedidos de apoio à decisão, tais como relatórios de 
tendências, relatórios de exceção e relatórios que mostram o 
desempenho real versus objetivos. 
 14 
• Desvantagens 
o Não são o ambiente ideal para dados não-estruturados. 
o Como os dados devem ser extraídos, transformados e carregados, há 
um elemento de latência nos dados. 
o Durante sua vida, Data Warehouses podem ter custos elevados. 
o Podem ficar ultrapassados com relativa rapidez. Há um custo de 
fornecer informações que não são as melhores para a organização. 
o Muitas vezes existe uma linha tênue entre Data Warehouses e 
sistemas de negócio. Duplicações de funcionalidades de alto custo 
podem ser desenvolvidas ou a funcionalidades desenvolvidas no DW, 
deveriam ter sido desenvolvidas nos sistemas. 
 
 
 
 
 
 
 
 
 
 
 
 
 15 
4 – OLAP 
 
4.1 – Definição 
 
OLAP é um acrônimo para On-line Analytical Processing. Como se pode 
notar, o nome é pomposo, porém diz muito pouco sobre o que e como é esta 
tecnologia de suporte a tomadas de decisão. 
O termo On-line serve para indicar que, independente da (grande) quantidade 
de dados a serem analisados, o tempo de resposta de uma consulta deve ser 
baixíssimo, possibilitando assim um grau de interatividade elevado, interatividade 
esta, fundamental como iremos ver no decorrer do capítulo. 
 
 
4.2 – Conceito 
 
Diferentemente da mineração de dados, onde os dados são extraídos com o 
auxílio de algoritmos computacionais complexos, o foco do OLAP é, em posse de 
uma extensa base de dados, possibilitar que o setor de negócios de uma empresa a 
manipule diretamente de maneira simples, concisa e rápida. 
 O OLAP inova ao trazer um modelo de dados multidimensional, modelo este 
muito diferente do tradicional linha x coluna a qual estamos habituados a ver nos 
Sistemas de Gerenciamento de Banco de Dados (SGBDs) atuais. Justamente 
devido a este novo modelo que o OLAP é tão eficiente na tarefa em que se propõe a 
cumprir. 
Pouco importa durante o processo da decisão um dado individual de um certo 
cliente ou de um certo produto, pois nenhum desses dados aponta uma tendência 
ou um problema. O conjunto desses dados é que é importante. E é nesse tipo de 
situação que o OLAP notabiliza-se. A sua natureza multidimensional favorece a 
analise granular e agregada de muitos dados ao mesmo tempo. 
 Por trás do modelo multidimensional existem três conceitos chave, conceitos 
estes que serão esmiuçados nos próximos parágrafos. 
 
 
 16 
4.2.1 – Cubo 
 
 O cubo pode ser definido como uma estrutura capaz de analisar dados sob 
diferentes perspectivas de maneira rápida e eficiente. A disposição dos dados em 
cubos supera o problema de analisar grandes massas de dados existentes em 
bancos de dados bidimensionais. Pode-se pensar no cubo como uma extensão do 
conceito de planilhas. Em uma planilha as linhas representam uma dimensão (mês, 
por exemplo) e as colunas representam uma segunda dimensão (lucro, por 
exemplo). No cubo podemos ter duas ou mais dimensões. 
Há que se dizer que é complicado imaginar algo com mais de três dimensões, 
porém lidamos com dados multidimensionais frequentemente ao emitir relatórios. 
Normalmente precisamos organizar a data por ano, por mês, por loja, por setor, etc. 
 
 
4.2.2 – Dimensão 
 
 Uma dimensão é uma lista de tipos similares sob a perspectiva do usuário. 
Um bom exemplo seria dizer que anos, trimestres, meses, semanas, etc, formam um 
dimensão chamada tempo. O mesmo se aplica para pais, estado, cidade, bairro que 
podem formar uma dimensão chamada localização geográfica. 
 Pode-se perceber que dimensões normalmente exibem um comportamento 
hierárquico. Tiremos novamente para exemplo a dimensão tempo. Um ano é pai de 
trimestres, que é pai de meses e assim por diante. Da mesma forma ano pode ser 
pai também de mês, fornecendo assim um grande número de combinações 
possíveis durante a criação de um relatório. 
Essa hierarquia possibilita o que é chamado em OLAP de drill-down e drill-up, 
que basicamente pode ser definido como o poder de navegar pelos níveis da 
hierarquia, aumentando ou diminuindo o detalhamento dos dados. 
As dimensões atuam como índices para identificarmos valores dentro de um 
cubo. 
 
 
 17 
4.2.3 – Medidas 
 
Cubos armazenam medidas ou valoresquantitativos. Como dito 
anteriormente, para podermos identificar um medida dentro do cubo precisamos de 
suas dimensões. 
 
 
4.3 - Por que é tão rápido? 
 
 Mesmo com todos estes conceitos ainda não ficou claro o motivo pelo qual 
abordagem multidimensional do OLAP é tão eficiente. 
Como foi dito acima, cubos armazenam medidas, medidas estas que 
representam valores que na maioria das vezes foi pré-consolidado na base de 
dados. Mas o que isso significa? 
Como os valores, em quase sua totalidade já foram previamente calculados, 
fazer uma consulta que me retorne o número de alunos, por nível (graduação/pós-
graduação), por curso, tipo do curso caso seja de graduação 
(bacharelado/licenciatura/etc), por situação da sua matrícula é um simples acesso as 
células do cubo indexadas pelas dimensões adequadas. 
Há que se dizer que existe um motivo para nem todos os valores serem pré-
calculados: o tamanho físico (em disco) ocupado pelo cubo seria muito grande, 
devido ao grande número de dimensões existentes. Para decidir qual campo será 
consolidado de antemão, vários fatores devem ser levados em consideração como, 
por exemplo, o tamanho ocupado pela agregação ou o custo de atualizar as células 
quando o banco de dados for atualizado. 
 
 
4.4 - Arquitetura 
 
 Ferramentas OLAP foram criadas baseando-se no modelo cliente-servidor. É 
importante frisar que, em teoria, as duas partes podem ser distribuídas 
 18 
separadamente, podendo assim o usuário utilizar o cliente de um fabricante e o 
servidor de outro. 
O servidor tem que ser capaz de aceitar diversas conexões de diversos 
usuários simultaneamente sem comprometer a integridade dos dados (ou seja, 
bloquear recursos do cubo quando necessário) e fornecer confidencialidade 
(permissionamento, etc.). 
Dependendo de como o servidor armazena os dados ele pode ser classificado 
de 3 maneiras: MOLAP (Multidimensional OLAP), ROLAP (Relational OLAP) ou 
HOLAP (Hybrid OLAP). 
 
 
4.4.1 – MOLAP 
 
É a forma clássica do OLAP e é muitas vezes chamado apenas de OLAP. 
Esse tipo de servidor armazena os dados numa estrutura multidimensional 
otimizada. Devido a este fato é necessário executar uma tarefa conhecida como 
processing que consiste em pré-computar valores e armazená-los no cubo para uso 
futuro. 
• Vantagens: 
o Consultas mais rápidas devidas a estrutura própria para o tipo de 
operação sendo realizado, indexação e cache. 
o Menor utilização de espaço em disco devido aos algoritmos de 
compressão utilizados. 
• Desvantagens: 
o O processing pode demorar muito tempo se uma quantidade muito 
grande de dados tiver que ser processada (pode ser contornado se 
utilizarmos um processo incremental depois da primeira carga) 
o Algumas implementações desse tipo são suscetíveis a um fenômeno 
conhecido como database explosion, que significa, basicamente, que o 
banco de dados começa a consumir muito espaço em disco devido a 
certas circunstâncias (número elevado de dimensões, por exemplo) 
 
 19 
4.4.2 - ROLAP 
 Esse tipo de servidor guarda os dados em um banco de dados relacional e 
gera consultas para calcular as informações apropriadas quando o usuário as 
requisita. É bem verdade que mesmo o ROLAP usando um banco de dados 
relacional para armazenar os dados, a modelagem de suas tabelas tem que ser 
cuidadosamente elaborada (utiliza-se o conceito de star-schemas) impossibilitando 
assim que um banco planejado para uso convencional (Online Transaction 
Processing) funcione como repositório OLAP. 
• Vantagens: 
o Muitos consideram o ROLAP mais escalável (lida melhor com um 
maior número de informação) 
o Pode ser acessado por qualquer ferramenta de reporting que suporte 
SQL 
o Menor tempo de ETL 
• Desvantagens: 
o Consultas são mais lentas devido a estrutura de dados utilizada. 
o Tabelas de agregação devem ser criadas manualmente (mais código 
para ser mantido) 
 
4.4.3 – HOLAP 
 
 Tentativa de unir o melhor dos mundos MOLAP e ROLAP. Armazenando 
dados de agregação em um backend MOLAP e dados detalhados/descritivos num 
backend ROLAP, o servidor utiliza a melhor característica de cada estrutura de 
dados de forma ótima baseado na consulta requisitada. 
 
 20 
5 - Self-Service BI 
 
5.1 – Motivação 
 
 Existem muitas instituições que são dependentes de sistemas de informação 
específicos que as auxiliam em sua gerência. Na maioria dos sistemas de 
informação, nem todas as consultas necessárias aos analistas de negócio estão 
cobertas, criando a necessidade de criação de consultas ad hoc. 
 O problema da geração de consultas ad hoc é que analistas de negócio 
geralmente não possuem capacidade técnica para desenvolver consultas ao banco 
de dados, o que acaba resultando numa requisição de desenvolvimento de consulta 
para a equipe de Tecnologia da Informação da instituição. 
 Parte da equipe de TI, que possui as capacidades técnicas para o 
desenvolvimento de uma consulta acaba por ser desviada de suas atividades de 
desenvolvimento e manutenção do Sistema para criar a consulta. O mesmo ocorre 
com requisições de relatórios. 
 Além da redução na produtividade, é notado também um problema mais grave, 
que é relacionado ao tempo levado para a geração das consultas pela equipe de 
TI. A demora do desenvolvimento das consultas pode atrasar a análise dos dados e 
comprometer uma tomada de decisão. A demora, muitas vezes ocorre por falta de 
conhecimento profundo do domínio de negócio por parte dos desenvolvedores. 
 Geralmente, analistas de negócio possuem um conhecimento muito maior do 
domínio do que os desenvolvedores e muitas vezes numa especificação de consulta 
podem haver termos e regras de negócio que são mal interpretadas por parte dos 
desenvolvedores, levando a dados errôneos ou imprecisos que conseqüentemente 
causam retrabalho no desenvolvimento da consulta. 
 Tendo em vista tais desvantagens, podemos concluir que ao adicionarmos a 
capacidade dos próprios analistas de negócio produzirem suas consultas ad hoc, 
teremos ganhos na produtividade, tanto no setor de TI quanto no setor de Gestão, 
com a geração de consultas e relatórios mais rápidas e precisas, devido ao maior 
conhecimento do domínio pelo analista de negócios e uma menor interrupção da 
equipe de TI. Neste ponto, entra o conceito de Self-Service BI. 
 21 
 
5.2 - Os prós e contras 
 
 Ser menos interrompido para criar consultas e relatórios é o sonho dourado de 
qualquer equipe de TI. Ter poder e acesso total e direto aos dados também é 
o sonho dourado de qualquer analista de negócio. Nesta hora é conveniente lembrar 
da frase "grandes poderes trazem grandes responsabilidades". 
 Qualquer equipe de TI sabe que muito poder na mão de muitos usuários não é 
muito bom. Usuários com muito poder acabam por ter muitas responsabilidades de 
gerar as informações e relatórios que precisam para realizar seus trabalhos. A 
verdade é que a maioria dos usuários não quer esta responsabilidade e nem é parte 
de seu trabalho tê-la. 
 Uma pesquisa[1] mostra que a maior parte dos relatórios gerados são, na 
verdade, personalizações pontuais de uma quantidade pequena de temas, além 
disso, são usados uma quantidade mínima de vezes e acabam por ficarem 
esquecidos, consumindo espaço desnecessário em disco. A grande quantidade de 
relatórios parecidos gerados pelos usuários torna muito difícil a manutenção 
e gerência dos mesmos, reduzindo a usabilidade do sistema pelos próprios usuários, 
caindo no que se chama de reporting chaos. 
 Uma pesquisa mais aprofundada revela que 80% dos usuários apenas consomem 
informações geradas pelos 20% restantes dos usuários. 
 
 Estes 80% de consumidores são usuários casuais, que consistem de 
trabalhadores de "linha de frente", como vendedores e gerentes. 
 
 22 
 Podemos concluir que mesmo com toda a evolução das ferramentas de BI, tornar 
a interface mais amigável e tornar os dados mais acessíveis, surgiu um novo 
problema gerencial, como vimos com o reporting chaos. 
 
[1]http://tdwi.org/articles/2007/10/18/the-myth-of-selfservice-bi.aspx 
 23 
6 – Conclusões 
 
 
 
 A tecnologia sempre trouxe soluções para os mais variados problemas que 
surgiram com o Business Intelligence, porém, como vimos anteriormente, nenhuma 
tecnologia resolve todos os problemas. O resultado da pesquisa que mostra que 
apenas 20% dos usuários de um sistema de BI são produtores de informação, junto 
com o problema do reporting chaos nos diz que existe um problema na definição de 
papéis dos usuários no sistema. 
 Uma empresa precisa definir regras estritas de permissionamento e acesso 
fazendo jus à proporção de consumidores e produtores de informação. A definição 
de tipos de relatórios básicos, complexos e genéricos também deve ser levada em 
consideração a fim de evitar a criação desnecessária e pontual de relatórios. 
 A criação de consultas e relatórios ad hoc pode ser atenuada pelas ferramentas 
de Self-Service BI, mas não irão desaparecer. Sempre haverá um caso especial que 
está além das capacidades do sistema e adicionar tal capacidade não justifica o alto 
custo de implementação, quando comparado ao custo de desenvolvimento do 
relatório ou consulta. 
 Cabe à gestão da empresa balancear o uso das ferramentas de BI, alcançando o 
equilíbrio na desempenho de seus processos que requerem acesso e controle 
dados. 
 24 
7- Referências 
 
 
WIKIPÉDIA. In: Data Warehouse. 2010. Disponível em: 
<http://pt.wikipedia.org/wiki/Data_Warehouse>. Acesso em: 15 de Julho de 2010 
 
DW. In: Data Warehouse. 2010. Disponível em: 
<http://www.datawarehouse.inf.br/dw.htm> e 
<http://www.datawarehouse.inf.br/Academicos/A%20PUBLICAR_DATA_WAREHOU
SE_MARCELL_OLIVEIRA.pdf>. Acesso em: 15 de Julho de 2010 
 
Soares, Ismael In: Palestra pela empresa BlueSoft, 2010 Disponível disponível em: 
<http://vimeo.com/6962558>. Acesso em: 19/07/2010 
 
Microsoft BI TV In: History of Business Intelligence, 2010. Disponível em: 
<http://www.youtube.com/watch?v=_1y5jBESLPE&feature=related> Acesso em: 
19/07/2010 
 
Eckerson, Wayne W. In: The Myth of Self-Service BI, 2010. Disponível em: 
<http://tdwi.org/articles/2007/10/18/the-myth-of-selfservice-bi.aspx>. Acesso em: 
20/07/2010 
 
WIKIPÉDIA. In: Data Warehouse. 2010. Disponível em: 
<http://pt.wikipedia.org/wiki/Data_mining>. Acesso em: 17 de Julho de 2010 
 
Frand, Jason In:DataMining. 2010. Disponível em: 
<http://www.anderson.ucla.edu/faculty/jason.frand/teacher/technologies/palace/data
mining.htm>. Acesso em: 17 de Julho de 2010 
 
WIKIPEDIA. In: Online_analytical_processing 
2010 http://en.wikipedia.org/wiki/Online_analytical_processing. Acesso em: 
15/07/2010 
 
WIKIPEDIA. In: Hybrid OLAP 2010 http://en.wikipedia.org/wiki/HOLAP. Acesso em: 
15/07/2010 
 
WIKIPEDIA. In: Relational OLAP 2010 http://en.wikipedia.org/wiki/ROLAP. Acesso 
em: 15/07/2010 
 
WIKIPEDIA. In: Multidimensional OLAP 2010 http://en.wikipedia.org/wiki/MOLAP. 
Acesso em: 15/07/2010 
 
WIKIPEDIA. In: OLAP cube 2010 http://en.wikipedia.org/wiki/OLAP_cube. Acesso 
em: 15/07/2010 
 
WIKIPEDIA. In: Hybrid OLAP 2010 http://en.wikipedia.org/wiki/HOLAP. Acesso em: 
15/07/2010 
 
 25 
WIKIPEDIA. In: Hybrid OLAP 2010 http://en.wikipedia.org/wiki/HOLAP. Acesso em: 
15/07/2010 
 
Pendse, Nigel. In: What is OLAP? 2010 http://www.bi-
verdict.com/fileadmin/FreeAnalyses/fasmi.htm. Acesso em: 16/07/2010 
 
Mailvaganam, Hari. In: Introduction to 
OLAP http://www.dwreview.com/OLAP/Introduction_OLAP.html. Acesso em 
16/07/2010 
 
OLAP Concil. In: http://www.geoplan-systems.de/Dokumente/OLAP-Glossary.pdf. 
Acesso em: 18/07/2010 
Swanhart, Justin. In: http://www.mysqlperformanceblog.com/2010/07/12/intro-to-
olap/.Acesso em: 16/07/2010